该论文研究了一种由智能体人工智能（Agentic AI）驱动的重识别攻击方法，对移动微数据隐私构成新兴的可扩展威胁。背景是商业数据经纪商广泛收集细粒度位置数据，尽管已有研究表明移动轨迹具有高度独特性，但过往重识别攻击需要分析师大量人工操作，限制了实际规模。本文提出一种端到端流水线，利用大型语言模型（LLM）智能体自主执行以下步骤：搜索公开网络、交叉引用公共记录和社交媒体、将原始坐标序列解析为候选身份，全程无需人工干预。在包含模拟真实家庭和工作地址附近位置点的时空数据集上进行评估，聚焦高风险披露场景。结果显示，从时空数据和公开来源出发，该智能体AI成功重识别了25名可重识别个体中的18人（72%），以及全部43个案例中的18个（41.9%）。论文讨论了该结果对统计披露控制（SDC）实践的启示，并概述了数据保管者和监管机构必须预见的近未来升级。作者指出，事实上的匿名性——SDC实践的隐含基础——正在发生转变。智能体AI增强了在GDPR第26条标准下“通过任何手段合理可能”的重识别能力，且每个目标的成本仅为几分钟和几美元。本文适合隐私保护研究人员、数据监管机构、数据经纪商以及部署位置数据收集服务的组织阅读。

本文针对语音匿名化系统中个体说话人的再识别风险进行了大规模逐说话人分析。现有评估通常使用等错误率（EER）等平均指标，但这些指标可能掩盖不同个体之间再识别风险的巨大差异。作者采用基于可链接性（linkability）的度量，在最坏场景下对近5000名说话人进行评估，涵盖多种匿名化系统、攻击者架构和对话长度。研究发现，可链接性分数在说话人层面高度极化，但易于识别和难以识别的说话人集合在不同配置下差异显著。进一步分析表明，没有单一因素能够解释说话人的脆弱性，再识别风险源于攻击者、匿名化器和可用语音量之间的交互作用。这些结果挑战了“内在说话人级隐私风险”的概念，并强调评估协议必须明确基于攻击者和匿名化器进行条件设定。实验涉及多种匿名化方法（如语音转换、波形编辑）和攻击者模型（如基于x-vector的说话人识别系统），证实了隐私风险的复杂性和情境依赖性。本文的主要贡献在于：(1) 首次大规模逐说话人分析揭示隐私风险的个体差异和情境依赖性；(2) 证明平均指标不足以评估实际隐私保护效果；(3) 提出评估协议需按攻击者和匿名化器条件化的必要性。适合语音隐私研究人员、安全工程师及隐私保护技术开发者阅读。